床墊式睡眠監測系統及信號處理方法①

李 偉, 梅莉麗, 呂高沖, 余新明, 江慧娜

1(北京石油化工學院 信息工程學院, 北京 102617)

2(中國航天員科研訓練中心, 北京 100094)

傳統睡眠監測手段會對人體正常睡眠造成一定程度的干擾, 其睡眠數據的客觀性和真實性也相應受到影響, 難以滿足家庭睡眠監測的實際應用需求, 非接觸方式實現的睡眠監測系統則可以克服傳統睡眠監測設備中的弊端.床墊式睡眠監測系統通過在床墊中安裝壓力或壓電傳感器, 可以對人體呼吸和心跳等典型生理特征參數進行無擾式監測, 因其具有使用簡單的優點, 其相關理論研究已成為生理信號監測領域的熱點問題[1-4].

基于壓電薄膜傳感器的床墊式睡眠監測系統可以感知微小壓力或震動變化, 從而捕獲心沖擊(BCG)力傳至體表的震動成分、呼吸時人體胸腔起伏對床墊的壓力變化以及體動等信息并轉為電信號. 但由于采用該方式采集的信號是集呼吸、心跳以及噪聲等在內的復雜生理信號, 需要從混合信號中實現呼吸和心跳等信號的有效分離和識別, 才能準確計算呼吸率和心率等關鍵睡眠特征參數.

對心沖擊信號進行分離和提取時, 大多采用常規的濾波器、小波變換或經驗模態分解(EMD)等方法實現[5-8]. 常規的濾波器無法準確描述其局部特性, 且常規濾波器需要根據先驗知識預定義濾波器截止頻率,無法根據心率的變化動態分割頻譜； 若采用小波變換,因難以選取合適的小波基和分解層數, 且缺乏自適應性, 故信號提取效果不佳； EMD方法則存在模態混疊,缺乏完備理論基礎以及計算量大等局限[9]. 本文采用基于經驗小波變換(Empirical Wavelet Transform,EWT)的信號處理方法, 可以根據原始信號特點, 動態地確定呼吸和心跳等信號的頻帶范圍, 對輸入信號進行自適應分解和重構, 有效提取呼吸和心沖擊信號. 在此基礎上, 采用K-means聚類算法進行心跳定位.

1 床墊式生理信號監測系統

本設計所采用的睡眠監測系統方案如圖1所示,睡眠監測系統主要由傳感器裝置、監測系統主機以及監測終端設備3部分構成. 本設計采用基于壓電薄膜傳感器的監測床墊進行信號采集, 并設計了具備電荷放大、濾波以及信號放大等功能的信號調理電路. 經調理后的電壓信號送至低功耗單片機進行AD轉換,轉換后的結果通過WiFi模塊送至監測終端進行后續算法處理和數據分析.

圖1 監測系統框圖

1.1 傳感器裝置

睡眠狀態下人體心臟跳動、正常的呼吸均會使產生一定幅度的震動, 并導致床墊上有輕微的壓力波動.與其他運動相比, 心跳所產生的壓力變化微弱, 且容易淹沒在呼吸和環境噪聲中, 故其提取最為困難. 因此傳感器選擇優先考慮滿足心跳信息提取要求, 并兼顧適合床墊式監測的需求.

考慮到聚偏二氟乙烯(PolyVinyliDene Fluoride,PVDF)壓電薄膜傳感器不僅具有靈敏度高、可精確測量動態壓力的優點[10], 而且可實現最低0.1 Hz的檢測頻率, 可在本系統中實現動態壓力檢測. 在實際監測裝置中將包含傳感器的帶狀物放置在床墊與被褥之間,該傳感器可通過感知床墊上壓力的變化產生與人體心跳、呼吸以及體動等信息相關的混合信號輸出.

1.2 控制器主機

監測系統主機主要由包含STM32F405高性能處理器的生理信號實時采集和傳輸模塊構成. 采集模塊中傳感器信號調理電路等效電路如圖2所示.

圖2 電荷輸入信號調理電路

在該等效電路中,Ca與Ra為傳感器的等效電容和絕緣電阻；Cc為傳輸電纜等效電容；Ri與Ci為放大器輸入電阻和輸入電容；Rf與Cf為放大器的反饋電阻和反饋電容；Q為傳感器產生的電荷輸出. 在忽略Ra、Ri與Rf的影響時, 電荷放大電路產生的電壓輸出Uo為:

式中,K為運放開環增益, (1+K)Cf為密勒電容, 由于K通常很大, 故Uo表達式可簡化為:

由式(2)可知,Uo僅與電荷量Q以及反饋電容Cf有關, 電纜長度對其影響可忽略不計. 由于運放工作在深度電容負反饋狀態, 對于直流工作點而言相當于開環, 容易受到各種噪聲的影響導致較大的零點漂移,從而產生幅度較大的干擾信號輸出. 為了使放大器工作穩定并減小零漂, 可在Cf兩端并聯阻值較高的反饋電阻Rf, 起到提供直流負反饋且有利于穩定放大器直流工作點的作用.

本系統所設計調理電路如圖3所示. 在該電路中反饋電阻R1和反饋電容C1的選擇非常關鍵. 考慮到要呼吸信號特征頻率集中在1 Hz以下, 要使電荷放大電路具有良好的低頻響應能力, 要求低頻轉折頻率fCL應盡可能低, 而fCL可由式(3)得到:

圖3 PVDF傳感器和Q/V轉換電路等效電路

由式(3)可知, 從放大有用信號的角度來考慮, 應使C1取值盡可能大, 但過度增加電容取值又會造成傳感器靈敏度下降, 使得有效信號混雜在噪聲中, 不利于后續濾波電路處理. 因此, 要根據實際應用選取合適的反饋電容數值. 反饋電阻取值越大則放電時間常數越大, 電路具備良好的低頻響應能力； 但是取值過高又會使得輸入偏置電流產生飽和的偏壓輸出, 從而導致無法獲取有用的信號輸出. 經試驗比對和分析, 最終選擇反饋電阻和反饋電容的取值分別為100 MΩ和20 nF,故對應的fCL為0.079 Hz.

微處理器采集數據后通過串口WIFI模塊定時發送至監控終端, 監控終端接收到數據后, 進行分析處理.設計出的監測系統主機如圖4所示.

圖4 睡眠監測主機

2 信號處理方法

2.1 經驗小波變換

EWT是一種快速且完全自適應的小波技術, 其理論基礎是自適應模態分解與小波分析理論[11]. EWT變換的目的是分離不同頻譜的信號分量. 本設計采用極大極小值法進行自適應頻譜分割: 將傅立葉譜歸一化至[0,π]之間, 并用N+1個邊界將其分成N段. 由于傅立葉譜在[0,π]之間, 故需要再確定N-1個邊界, 可首先檢測頻譜中的極大值, 然后選取每兩個相鄰極大值之間的全局最小值定義為邊界集. 假設該算法找到了M個最大值, 則可能出現兩種情況:

(1)M≥N: 該算法找到足夠的極大值來定義所需的段數, 此時僅保留前N-1個極大值；

(2)M＜N: 信號模式比預期少, 保留所有極大值并將N重置為合適值.

頻譜分割后即可根據選取的邊界點構建小波帶通濾波器組提取不同的模態分量IMF, 從而分離出心跳和呼吸.

2.2 心跳定位及心率計算方法

提取出BCG信號后, 還需進行心跳定位計算心率.心臟收縮和舒張過程中, 泵血沖擊力變化會使得信號在每個心臟跳動周期內形成如圖5所示的多種波峰模式[12]. J波作為幅值特征最為明顯的波峰, 常作為心跳定位的重要標志. 實際分離得到的BCG信號中, 存在同類波峰的峰值差別較大而不同類波峰峰值卻比較相近的情況, 故不能單純依靠波峰峰值來進行分類. 為使系統能自動檢測與單個心跳相對應的BCG波峰模式,需根據波峰模式的形態學特征建立特征向量, 選用無監督的K-means聚類算法對BCG信號極大值點進行聚類, 選出平均幅值最大的波峰作為J波波峰并用于確定心跳位置. 根據定位結果可計算平均心跳周期和心率. 心跳定位具體步驟如下:

圖5 典型BCG信號波峰模式

(1)建立特征工程. 如圖6所示, 對BCG信號中極大極小值點進行定位和參數化, 4個基本參數包括當前極大值點幅值amax、下一極小值點幅值amin、當前極大值點到相鄰極小值點距離dmax以及下一極小值點到相鄰極大值點距離dmin. 為BCG信號中每個波峰分配特征向量f, 該向量包含波峰本身和N-1個連續峰的基本參數. 此處將N設置為4, 故須建立一組16維的特征向量.

圖6 BCG波峰模式特征向量示意圖

(2)聚類. 對于給定歐氏空間的一組數據, 尋找K個聚類中心, 將所有數據分配到距離最近的聚類中心, 使得每個點與其相應的聚類中心Cj距離平方和最小, 從而將波峰分為K類.

(3)判斷J波位置. 對每類極大值點計算幅值的平均值, 選取平均值最大的一類作為識別的J波類. 此時J波位置即為心跳位置.

(4)計算心跳平均周期及心率. 對每個心跳周期大小進行排序, 取序列中間60%的心跳周期計算平均值,進而計算心率.

3 實驗分析

3.1 呼吸信號和BCG信號提取

圖7是利用所設計的監測主機獲得的30 s歸一化采樣信號. 對其工頻濾波預處理后, 利用極大極小值法進行頻譜劃分.

圖7 原始采樣信號歸一化圖

EWT具有很強自適應性, 根據原始信號的頻域分布特點, 當選擇單分量數目為7時, 可避免頻帶過度劃分, 所提取的呼吸和心沖擊信號波形形態特征比較符合實際, 提取效果較好. 對原始信號進行EWT分解的頻帶邊界分割效果如圖8所示, 與之相對應的各模態分量對應時域波形如圖9所示. 從呼吸和BCG信號的波形特點來看, 第二個模式分量具有明顯周期性, 符合理想呼吸信號特征； 第6個分量波峰模式清晰可辨, 同時具備較強周期性, 與理想BCG信號波形效果基本一致.

圖8 邊界劃分結果

圖9 EWT分解信號

3.2 心跳定位和心率計算

對提取的BCG信號做歸一化處理, 然后對信號內極大值點建立特征向量序列, 利用K-means算法對極大值點進行聚類. 考慮到心沖擊信號在心跳周期內包含4種波峰模式, 故選擇將波峰分為4類. 聚類結果如圖10所示, 圖中用不同符號對不同類型波峰模式進行區分.

圖10 特征點分類標記波形圖

實驗結果表明, 采用K-means方法處理的BCG信號無需預先估計心跳周期即可較為準確地完成心跳定位, 從整體來看聚類效果良好, 周期規律比較明顯, 心率計算結果符合正常睡眠心率.

4 結論與展望

基于PVDF壓電薄膜傳感器和高性能微處理器STM32F405, 研制出一套睡眠監測裝置, 并采用經驗小波變換和K-means算法相結合的方式實現了對混合信號的分離以及典型生理特征參數的有效提取. 該信號處理方法克服了傳統BCG信號處理中需要預先估計心跳周期大致范圍或需要人工標記才能進行實驗的局限, 且具有較強的自適應性.